轉自：https://blog.csdn.net/qq_30815237/article/details/87903024
1、plt.rcParams
plt（matplotlib.pyplot）使用rc配置文件來自定義圖形的各種默認屬性，稱之為“rc配置”或“rc參數”。
通過rc參數可以修改默認的屬性，包括窗體大小、每英寸的點數、線條寬度、顏色、樣式、坐標軸、坐標和網絡屬性、文本、字體等。rc參數存儲在字典變量中，通過字典的方式進行訪問。
代碼：
import numpy as np
import matplotlib.pyplot as plt
###%matplotlib inline #jupyter可以用，這樣就不用plt.show()
#生成數據
x = np.linspace(0, 4*np.pi)
y = np.sin(x)
#設置rc參數顯示中文標題
#設置字體為SimHei顯示中文
plt.rcParams['font.sans-serif'] = 'SimHei'
#設置正常顯示字符
plt.rcParams['axes.unicode_minus'] = False
plt.title('sin曲線')
#設置線條樣式
plt.rcParams['lines.linestyle'] = '-.'
#設置線條寬度
plt.rcParams['lines.linewidth'] = 3
#繪制sin曲線
plt.plot(x, y, label='$sin(x)$')
plt.savefig('sin.png')
plt.show()
參數：
plt.rcParams['savefig.dpi'] = 300 #圖片像素
plt.rcParams['figure.dpi'] = 300 #分辨率
plt.savefig(‘plot123_2.png’, dpi=200)#指定分辨率
# 默認的像素：[6.0,4.0]，分辨率為100，圖片尺寸為 600&400
# 指定dpi=200，圖片尺寸為 1200*800
# 指定dpi=300，圖片尺寸為 1800*1200
plt.rcParams['figure.figsize'] = (8.0, 4.0) # 圖像顯示大小
plt.rcParams['image.interpolation'] = 'nearest' # 最近鄰差值: 像素為正方形
#Interpolation/resampling即插值，是一種圖像處理方法，它可以為數碼圖像增加或減少象素的數目。
plt.rcParams['image.cmap'] = 'gray' # 使用灰度輸出而不是彩色輸出
plt.axis('off') #打印圖片的時候不顯示坐標軸
from：https://blog.csdn.net/liangzuojiayi/article/details/78184687
更詳細的配置參見：https://my.oschina.net/swuly302/blog/94805
2、matshow函數
這是一個繪制矩陣的函數:matplotlib.pyplot.matshow(A, fignum=None, **kwargs)
A是繪制的矩陣，一個矩陣元素對應一個圖像像素。
例如：plt.matshow(Mat, cmap=plt.cm.gray)，cmap代表一種顏色映射方式。
實例：
plt.plot(A, "r-+", linewidth=2, label="train")
plt.plot(B, "b-", linewidth=3, label="val")
plt.legend(loc="upper right", fontsize=14) # 設置位置
plt.xlabel("Training set size", fontsize=14) # 標簽
plt.ylabel("RMSE", fontsize=14)
plt.axis([0, 80, 0, 3])#表示要顯示圖形的范圍
plt.xticks(np.arange(0, 81, step=20))#設置刻度
plt.yticks(np.arange(0, 4, step=1))
Axes - Subplot - Axis 之間到底是個什么關系
用matplotlib.pyplot繪圖需要知道以下幾個概念：
畫圖板/畫布：這是一個基礎載體，類似實際的畫圖板，用pyplot.figure()函數創建，程序中允許創建多個畫圖板，具體操作的畫板遵循就近原則（操作是在最近一次調用的畫圖板上實現），缺省條件下內部默認調用pyplot.figure(1)。
圖形區/繪圖區：用來繪圖的實際區域，一般不直接獲取，直接設定方式為pyplot.axes([x, y, w, h])，即axes函數直接確定了該區域在畫圖板/畫布中的位置為x,y 尺寸為w,h
標簽區：用來展示圖形相關標簽的地方，一般不直接設定（未仔細研究過），該區域根據圖形區進行擴展，與該區域有關聯的函數是pyplot.xlabel()、pyplot.ylabel()、pyplot.title()等
fig = plt.figure() plt.show() ax1 = fig.add_subplot(211) ax2 = fig.add_subplot(212)
用畫板和畫紙來做比喻的話，figure就好像是畫板，是畫紙的載體， 但是具體畫畫等操作是在畫紙上完成的。 在pyplot中，畫紙的概念對應的就是Axes/Subplot。
對比:
figure (1) VS figure()
figure()操作就是創建或者調用畫圖板，缺省情況下系統會創建figure(1)作為畫圖板。使用時遵循就近原則，所有畫圖操作是在最近一次調用的畫圖板上實現。
axes() VS subplot()
pyplot.axes([x, y, w, h])是用來在畫圖板上確認圖形區的位置和大小的函數，x,y表示圖形區左下角相對於畫圖板的坐標，w,h表示圖形區的寬高。（缺省時該操作在figure(1)上操作）
pyplot.subplot(abc)本質也是用來確認圖形區在畫圖板上位置大小的函數，區別是該函數將畫圖板按a行b列等分，然后逐行編號，並選擇編號為c的區域作為圖形區用來繪圖。這是一個axes()操作的高級封裝，方便用戶使用。subplot(233)表示2行3列的第3個位置（即，第1行第三個區域）
同時，pyplot.show()實際展示的區域是畫圖板上所有圖形區的最小包圍區，不是整個畫圖板，即如果僅僅調用了subplot(224)結果只展示右下角的4號區域，而不是1、2、3、4都展示，因此會存在一定的錯覺。
axes() VS axis()
axes([x, y, w, h])用來設定圖形區;
axis([x_left, x_right, y_bottom, y_top])是用來設置所繪制圖形的視窗大小的，表示直接展示的圖形是需要滿足參數中范圍的值，直觀表現是繪圖區實際展示的坐標范圍。
注：axis作用的圖形區依舊遵守就近原則。
subplot() VS plot()
subplot用來生成圖形區;
plot是實際使用的繪圖函數，類似的函數還有hist等，plot操作遵守就近原則，即作用在最近一次使用的圖形區上。
from：https://blog.csdn.net/JasonZhu_csdn/article/details/85860963
官網：https://matplotlib.org/api/_as_gen/matplotlib.pyplot.html
轉自：https://wangyeming.github.io/2018/11/07/matplot-cmap/
畫圖離不開色彩--說說matplot的cmap
一張好看的圖，離不開各種各樣的顏色。在matplot中，有一個cmap的概念，通過cmap，我們可以很方便的給多組數據自動分配色彩，畫出很好看的圖。這篇文章就簡單介紹下cmap的概念和用法。
cmap是什么
cmap也就是colormap，可以理解為接受一個數值，輸出一個指定的顏色的字典。下面這張圖就展示了常見的一些cmap。
可以點擊matplot cmap這里，里面有一個demo示例，會畫一個包含matplot中所有cmap的圖。
這里常見的cmap有：
純色漸變系列：
比如說畫灰度圖的話，可以選擇Greys這個cmap。
如何在畫圖中使用cmap
import matplotlib.pyplot as plt
import numpy as np
n = 1024 # data size
X = np.random.normal(0, 1, n) # 每一個點的X值,平均數是0，方差是1
Y = np.random.normal(0, 1, n) # 每一個點的Y值
# 這里我們每個點的顏色和該點的X值+Y值的和相關
color = X + Y
# 使用我們上面說的灰度圖
cmap = plt.get_cmap('Greys')
# cmap = plt.cm.Greys #也可以這么寫
# 利用normlize來標准化顏色的值
norm = plt.Normalize(vmin=-3, vmax=3)
# 散點圖
plt.scatter(X, Y, s=75, alpha=0.5, c=color, cmap=cmap, norm=norm)
plt.xlim(-1.5, 1.5)
plt.xticks(()) # ignore xticks
plt.ylim(-1.5, 1.5)
plt.yticks(()) # ignore yticks
plt.show()
其中，我們用到了matplotlib.colors.Normalize類，比如說我們的顏色對應的值取值范圍在[-10, 10]之間和[-1,1]之間肯定是不能套用同一個轉換標准的，通過Normalize標准化，我們可以很方便的將我們的實際值合適的分布到color map上。
我們講colormap換成
cmap = plt.get_cmap('Spectral')
畫出來的圖的顏色就是下面這樣的：
